WARG-platform: technische architectuur AI-wargaming

De kloof tussen de wargamingtools die de meeste defensieorganisaties momenteel gebruiken en de analytische vereisten waarmee zij worden geconfronteerd, wordt steeds groter. Oefeningen die toereikend waren voor het valideren van goed begrepen doctrine tegenover een bekende tegenstander zijn onvoldoende voor conceptontwikkeling in een snel evoluerend operationeel omgeving. Wat nodig is, is een platformarchitectuur die adaptief gedrag van de tegenstander kan modelleren, grootschalige gevechten snel kan oplossen, statistisch betekenisvolle uitkomstgegevens kan genereren over vele uitvoeringen, en gestructureerde analyses op tijd kan terugkoppelen aan commandanten en planners om hun denken te veranderen vóór de volgende planningscyclus begint. Dit artikel onderzoekt waaruit die architectuur moet bestaan — inclusief de kernsystemen die een modern AI-wargamingplatform definiëren: de OpFor-gedragsmodelingengine, de scenario- en strijdkrachten-tegen-strijdkrachten-simulatielus, de terreingegevenspijplijn, de na-actie evaluatie (AAR)-analyseengine en de integratieinterfaces die het koppelen aan bestaande commando-en-controle-trainingsomgevingen.

Het WARG-platform is de implementatie van deze architectuur door Corvus Intelligence, ontworpen voor planningsoefeningen op brigadeniveau en hoger. De technische beslissingen die hier worden beschreven weerspiegelen wat dit type systeem moet doen om operationeel bruikbaar te zijn — geen marketingclaims, maar engineeringvereisten afgeleid van de werkelijke eisen van defensietraining- en analyseprogramma's. Voor bredere context over hoe AI-ondersteunde wargaming zich verhoudt tot handmatig gefaciliteerde formaten, zie het begeleidende artikel over AI-wargaming versus handmatig Kriegsspiel.

OpFor AI-gedragsmodellering

De kwaliteit van een AI-wargamingplatform wordt grotendeels bepaald door de kwaliteit van het tegenstander-model. Een OpFor die voorspelbaar gedraagt, die niet kan aanpassen aan manoeuvres van spelers, of die doelstellingen op tactisch incoherente wijze nastreeft, traint commandanten tegen een stroman — en ervaren commandanten zullen dit binnen de eerste dertig minuten van de oefening herkennen en mentaal loskomen van het trainingsscenario. De OpFor goed krijgen is geen cosmetische functie; het is het kernanalytische product van het platform.

Hiërarchische beslissingsarchitectuur

Een goed ontworpen OpFor-gedragsmodel werkt op een hiërarchische beslissingsarchitectuur die de werkelijke commandostructuur weerspiegelt. Op operationeel niveau ontvangt een PlanningModule de toegewezen doelstellingen van de OpFor en de huidige simulatiestatus en genereert een reeks kandidaat-handelwijzen. Elke kandidaat-handelwijze wordt beoordeeld door een uitkomstmodel — een aangeleerde functie die de huidige krachtenbalan, terreindispositie en logistieke toestand afbeeldt op een verwachte uitkomstverdeling voor die handelwijze. De hoogst scorende haalbare handelwijze wordt het huidige operationele plan van de OpFor, dat vervolgens wordt uitgedrukt als een reeks doelstellingstoewijzingen aan ondergeschikte tactische agenten.

Op tactisch niveau houdt elke eenheidsagent een lokaal situationeel bewustzijnsbeeld bij dat is afgeleid van het sensormodel van de simulatie — hij ziet wat zijn sensoren kunnen zien op basis van het terrein en de elektronische oorlogsvoeringstoestand, niet de volledige simulatiestatus. De eenheidsagent neemt bewegings-, aanvals- en positioneringsbeslissingen op basis van een combinatie van zijn toegewezen doelstelling, zijn lokale beeld en een aangeleerd gedragsbeleid. Het beleid is getraind op een corpus van historische en doctrinaire gegevens, wat betekent dat het tactisch herkenbaar gedrag genereert: flankerende naderingen wanneer beschikbaar, afstandsgevecht wanneer voordelig, onderdrukking vóór beweging in bebouwd terrein. Het resultaat is een tegenstander die op herkenbare wijze vecht terwijl hij responsief blijft op speleracties die de lokale situatie veranderen.

Gedragstrouwheid en doctrine-codering

Het coderen van specifieke tegenstander-doctrine in het OpFor-model vereist meer dan het selecteren van een generieke "aanvaller"-gedragsinstelling. Verschillende vijandige krachtenstructuren en doctrines produceren onderscheidende tactische handtekeningen — karakteristieke naderingsgeometrieën, vuursteunpatronen, exploitatietempo en logistieke discipline. Deze handtekeningen worden gecodeerd via een combinatie van parameterconfiguratie (aanvalsafstandsvoorkeur, terugtrekkingsdrempels, activeringstriggers voor reserves) en trainingsgegevens die doctrinespecifieke voorbeelden bevatten. Het resultaat is een OpFor die niet alleen competent vecht, maar op een manier vecht die voor het trainingspubliek herkenbaar is als een specifiek type tegenstander.

Architectuur van de scenario-engine

De scenario-engine is het substraat waarop alle andere platformcomponenten werken. Het handhaaft de gezaghebbende simulatiestatus — eenheidsposities, krachtniveaus, logistieke voorraden, elektronische oorlogsvoeringstoestand, weer — en beheert de simulatieklok, de gebeurteniswachtrij en de beoordelingspijplijn.

Simulatielus en beoordelingspijplijn

Een strijdkrachten-tegen-strijdkrachten-simulatielus op brigadeniveau verwerkt een groot aantal gelijktijdige interacties per simulatietick. De beoordelingspijplijn moet oplossen: sensordetectiegebeurtenissen (welke eenheden kunnen welke andere eenheden observeren op basis van terrein, weer en elektronische oorlogsvoeringstoestand), aanvalsgebeurtenissen (welke eenheden zijn binnen bereik en hebben schootlijn, wat zijn de verwachte effecten op basis van wapentype, doeltype en beschermingsniveau), bewegingsgebeurtenissen (welke eenheden bewegen langs welke routes met welke snelheden op basis van terrein en logistieke toestand), en logistieke gebeurtenissen (welke eenheden verbruiken welke middelen en welke aanvoerkonvooien bewegen langs welke routes). Elk van deze gebeurteniscategorieën heeft zijn eigen oplossingsmodel. De pijplijn verwerkt gebeurtenissen in een bepaalde prioriteitsvolgorde — detectie vóór aanval, aanval vóór beweging — om causaliteitsfouten in de simulatiestatus te voorkomen.

De architectuur van de simulatieklok is van belang voor de trainingsrealisme. Een puur beurt-gebaseerde klok dwingt kunstmatige synchronisatie van gebeurtenissen die in werkelijkheid asynchroon plaatsvinden. Een continue-tijdsimulatie met variabele-lengte ticks — waarbij de klok opschuift naar de volgende geplande gebeurtenis — is realistischer, maar vereist zorgvuldig beheer van gebeurtenisvolgorde om race conditions te voorkomen. De keuze van de klokarchitectuur beïnvloedt zowel de computationele haalbaarheid van de simulatie bij grote krachtsomvang als het realisme van de trainingservaring op eenheidsniveau.

Schaalbaarheid van peloton naar operationeel niveau

Het schalen van een wargamingplatform van peloton- naar operationeel-niveau-oefeningen is een architectuuruitdaging die niet kan worden opgelost door simpelweg dezelfde modellen op een grovere schaal uit te voeren. Op pelotonniveau is individuele-voertuig nauwkeurigheid passend en computationeel haalbaar: elk platform heeft zijn eigen sensormodel, wapensysteem en bewegingsstatus. Op brigadeniveau en daarboven produceert het volgen van afzonderlijke platforms een simulatiestatus die te groot is om in realtime te updaten zonder gespecialiseerde hardware. De oplossing is een configureerbare resolutiehiërarchie: gebruikers selecteren het echelon van de oefening en het platform aggregeert eenheidsstatussen dienovereenkomstig, waarbij gebruik wordt gemaakt van geaggregeerde gevechtsmodellen die zijn gekalibreerd om uitkomsten te produceren die consistent zijn met de individuele-platformmodellen bij fijnere resolutie. Dezelfde scenariodatastructuren en OpFor-gedragsmodelparameters werken over resolutieniveaus heen — een niet-triviale engineeringvereiste waaraan veel platforms niet voldoen.

Kaart- en terreingegevenspijplijn

Het terreinsubsysteem is de basis waarvan alle bewegings-, detectie- en aanvalsberekeningen afhangen. Op brigadeniveau is de minimaal nuttige invoer een digitaal hoogtemodel op schaal 1:50.000 of fijner. Uit deze invoer leidt de terreinpijplijn de producten af die de beoordelingsengine verbruikt: helling- en rijdbaarheidsmaskers per voertuigklasse (rupsbandvoertuig, wielvoertuig, te voet), vegetatiedichtheidslagen die het observatiebereik en vuur beïnvloeden, stedelijke gebiedsaanduidingen die de mechanieken voor gevechten in bebouwde gebieden beïnvloeden, en een wegen- en bruggingnetwerkgraaf die wordt gebruikt door de logistieke routeringsmodule.

Gegevensinvoer en normalisatie

Een praktische terreinpijplijn moet gegevens kunnen invoeren uit meerdere bronnen en normaliseren naar een gemeenschappelijke interne representatie. Geospatiale gegevens voor operatiegebieden zijn beschikbaar in meerdere indelingen en projecties — GeoTIFF voor rasterhogttegegevens, Shapefile of GeoJSON voor vectorkenmerken, DTED voor defensiestandaard hoogteproducten. De ingestmodule van de pijplijn normaliseert al deze naar het interne tegelformaat van het platform, dat is geoptimaliseerd voor de ruimtelijke querypatronen die de beoordelingsengine genereert: bereik-en-peiling-queries voor gezichtslijnberekeningen, gebiedsqueries voor eenheidsdictheidsberekeningen en padqueries voor bewegingsrouting. Normalisatie omvat coördinatenprojection naar een consistent systeem en resolutiehersampling waar de brongegevens een andere resolutie hebben dan het tegelformaat van het platform.

Reële versus synthetische terreingegevens

AI-wargamingplatforms kunnen werken op ofwel reële geospatiale gegevens of procedureel gegenereerd synthetisch terrein. Reëel terrein biedt de hoogste trainingswaarde voor oefeningen die zijn gekoppeld aan een specifiek operatiegebied en stelt de wargame-resultaten in staat direct te worden vergeleken met echte planningsproducten. Synthetisch terrein is geschikt voor concepttesten en voor oefeningen waarbij de specifieke geografie minder belangrijk is dan de operationele probleemstructuur. De platformarchitectuur moet beide ondersteunen, waarbij de terreinpijplijn zowel reële gegevensinvoer als synthetische terreinparameters kan accepteren als invoer voor dezelfde downstream-beoordelingsengine.

AAR-analyseengine

De na-actie evaluatie is waar de trainingswaarde van het wargame wordt gerealiseerd. Een platform dat een rijk simulatiegebeurtenislogboek genereert maar geen gestructureerde analytische tools biedt om dat logboek te verwerken, dwingt facilitators uren te besteden aan het reconstrueren van de chronologie uit ruwe gegevens — tijd die besteed zou moeten worden aan discussie met het trainingspubliek. De AAREngine is het subsysteem dat het ruwe gebeurtenislogboek omzet in gestructureerde analytische producten.

Beslispuntdetectie en annotatie

De meest waardevolle AAR-uitvoer is een tijdlijn van beslispunten — momenten waarop de keuze van een commandant de daaropvolgende trajectory van het gevecht significant heeft veranderd. Het detecteren van deze beslispunten vereist dat de AAR-engine meer doet dan gebeurtenissen chronologisch herspelen. Het moet divergentiepunten identificeren: momenten waarop het bereik van mogelijke toekomstige uitkomsten breed was en een beslissing dit versmalde. Dit wordt berekend door de werkelijke simulatietrajectory te vergelijken met een reeks contrafeitelijke trajectories die worden gegenereerd door het scenario vanaf dat punt opnieuw af te spelen met andere beslissingsinvoer. Beslispunten waarbij de contrafeitelijke trajectories aanzienlijk afwijken van de werkelijke trajectory zijn de momenten die de meeste aandacht van de facilitator verdienen tijdens de debriefing.

Annotatie van deze beslispunten — het genereren van beschrijvingen in natuurlijke taal van wat er werd beslist, welke alternatieven er bestonden en wat de uitkomstmodellen voorspelden voor elk alternatief — is een functie waarbij taalmodelcapaciteiten echte analytische waarde toevoegen. De annotatie vervangt niet het oordeel van de facilitator; het vermindert de voorbereidingslast, waardoor de facilitator een gestructureerd startpunt krijgt voor de debriefinggesprekken in plaats van een leeg gebeurtenislogboek.

Statistische analyse over meerdere uitvoeringen

De volledige analytische kracht van een AI-wargamingplatform is alleen beschikbaar wanneer het scenario meerdere keren wordt uitgevoerd onder wisselende omstandigheden. De statistische module van de AAR-engine verwerkt de uitkomstset van meerdere uitvoeringen en genereert: uitkomstkansdistributies (welk deel van de uitvoeringen resulteerde in elke gedefinieerde uitkomststatus), gevoeligheidsanalyses (welke initiële omstandigheden of beslissingsvariabelen de uitkomsten het sterkst voorspelden), krachtenuitwisselingsratio's als functie van beslissingsinvoer, en logistieke verbruikscurven die de omstandigheden identificeren waaronder bevoorrading de beperkende factor werd. Deze analyse is slechts beschikbaar op dit niveau van statistische betrouwbaarheid wanneer het platform honderden scenariovarianten kan uitvoeren zonder menselijke betrokkenheid — de computationele investering in AI OpFor-modellering loont hier, omdat het deze analysecapaciteit mogelijk maakt die een handmatig Kriegsspiel-formaat structureel niet kan bieden. Zie ook het artikel over wargaming in de ontwikkeling van militaire doctrine voor de analytische vereisten die deze capaciteit aansturen.

Integratie met C2-trainingsomgevingen

Een wargamingplatform dat geïsoleerd opereert van de C2-tools die commandanten en staven daadwerkelijk gebruiken in operaties, produceert training die niet overdraagbaar is. De simulatie produceert uitkomsten, maar het trainingspubliek interageert ermee via een interface die geen gelijkenis vertoont met hoe zij zouden commanderen in een echte operatie. Integratie met C2-trainingsomgevingen verandert dit: commandanten geven orders via vertrouwde interfaces, ontvangen rapporten in vertrouwde indelingen en ervaren het tempo en de cognitieve belasting van echte commandowerkstromen — terwijl het wargamingplatform de onderliggende simulatie afhandelt.

Gegevensuitwisseling en API-architectuur

C2-integratie wordt bereikt via de simulatieadapterlaag van het platform — een reeks interfaces die vertalen tussen de interne simulatiestatus van het platform en de berichtindelingen die C2-trainingssystemen verbruiken en uitstoten. Standaard gegevensuitwisselingsindelingen in defensietrainingsomgevingen omvatten trackrapportage-indelingen voor positie- en statusupdates, en gestructureerde orderuitwisselingsprotocollen voor commando-instructies. De simulatieadapter publiceert trackupdates op een berichtenbus naarmate de simulatiestatus verandert, waardoor verbonden C2-systemen gesimuleerde eenheidsposities kunnen weergeven op exact dezelfde manier als zij real-world trackgegevens weergeven. De adapter abonneert ook op orderboodschappen van C2-systemen, vertaalt ze naar simulatieopdrachten en stuurt ze door naar de juiste eenheidsagenten in de OpFor- of vriendschappelijke krachtenmodellen.

Oefencontrole en federatie

Op grotere oefeningschalen moet een enkele wargamingplatform-instantie mogelijk federeren met andere simulatiesystemen — afzonderlijke platforms die verschillende domeinen afhandelen (lucht, zee, cyber) of verschillende geografische sectoren van hetzelfde operatiegebied. Federatie vereist overeenstemming over een gedeelde synthetische omgevingsdefinitie: coördinatensysteem, tijdsreferentie en entiteitsidentificatieschema. Het oefencontrolesubsysteem beheert deze federatie, handelt tijdssynchronisatie af over gefedereerde systemen en lost conflicten op waarbij meerdere systemen jurisdictie hebben over dezelfde entiteit of hetzelfde geografische gebied.

Platformselectiecriteria voor aanschaf

Voor aankoopfunctionarissen en trainingsdirecteuren die AI-wargamingplatforms evalueren, vertalen de bovenstaande technische architectuurvragen zich direct naar aankoopscriteria. Ten eerste: produceert het OpFor-model van het platform tactisch coherent gedrag van de tegenstander, of produceert het voor de hand liggende patronen die ervaren commandanten zullen afwijzen? Dit kan worden beoordeeld door het platform een paar uur te laten draaien met ervaren operators en te observeren of de OpFor verrassingen genereert. Ten tweede: produceert de AAR-engine analytische producten in een vorm die de voorbereidingstijd van facilitators vermindert, of vereist het uitgebreide handmatige analyse van ruwe logboeken? Ten derde: accepteert de terreinpijplijn reële geospatiale gegevens voor de specifieke operatiegebieden die het programma moet oefenen? Ten vierde: schaalt het platform naar het echelon dat het programma vereist, met dezelfde datastructuren en scenariobeheertools op alle schaalvak? Ten vijfde: maakt de C2-integratiearchitectuur gebruik van standaard gegevensindelingen, of vereist het aangepast integratiewerk dat het programma bindt aan één platformleverancier?

Een platform dat aan alle vijf criteria voldoet — adaptieve OpFor, gestructureerde AAR, invoer van reëel terrein, schaalbaarheid over echelons en op standaarden gebaseerde C2-integratie — is een platform dat een serieus defensietraining- en analyseprogramma kan ondersteunen in plaats van die capaciteiten te demonstreren in een door de leverancier gecontroleerde omgeving. Het verschil is waarneembaar in oefeningsresultaten: het eerste type produceert inzichten die planning en doctrine veranderen; het tweede produceert indrukwekkende demonstraties die dat niet doen.